CN113628159A - 一种基于深度学习网络全自动训练方法、装置及存储介质 - Google Patents
一种基于深度学习网络全自动训练方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113628159A CN113628159A CN202110665695.5A CN202110665695A CN113628159A CN 113628159 A CN113628159 A CN 113628159A CN 202110665695 A CN202110665695 A CN 202110665695A CN 113628159 A CN113628159 A CN 113628159A
- Authority
- CN
- China
- Prior art keywords
- image data
- gan
- network
- target segmentation
- automatic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 48
- 238000002372 labelling Methods 0.000 claims abstract description 30
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习网络全自动训练方法、装置及存储介质,包括:采集图像数据O(i)和对应的目标分割标注图像数据D(i);目标分割标注图像是通过GAN自动识别标注模块获得;其中,GAN自动识别标注模块通过采集图像数据O(i),包括正样本和负样本图像数据,将图像数据O(i)使用GAN自动训练模块获得的GAN网络模型文件A进行识别得到重构图像数据B(i);将B(i)使用边缘检测算法进行轮廓提取得到轮廓区域,将轮廓区域自动标记为类别1,非轮廓区域标记为类别0,得到目标分割标注图像数据D(i);将O(i)和D(i)输入到目标分割网络训练模型得到目标分割网络模型文件E。本发明可实现全自动化识别。
Description
【技术领域】
本发明属于工业产品缺陷检测的图像处理技术领域,具体是指一种基于深度学习网络的全自动训练方法、装置及存储介质。
【背景技术】
工业产品缺陷检测领域中机器视觉系统主要分为两部分:由传统相机、镜头、光源、相机固定及运动机构构成图像采集单元,由PC主机和图像采集卡等构成图像处理单元的机器视觉检测系统。这种机器视觉具有较高的延展性和可塑性,可以针对不同的产品缺陷进行定制硬件和定制软件开发。
在图像处理过程中,当前深度学习目标检测和目标分割需要大量负样本和专业人员进行标注,之后将标注文件手动配置目标分割网络模型进行训练识别,此过程存在费时费力,训练识别过程容易配置出错导致返工的问题。
【发明内容】
本发明所要解决的技术问题在于提供一种可实现全自动化识别的基于深度学习网络的全自动训练方法、装置及存储介质。
第一方面,本发明提供例如一种可实现全自动化识别的基于深度学习网络的全自动训练方法,包括如下步骤:
一种基于深度学习网络的全自动训练方法,包括如下步骤:
步骤1:采集图像数据O(i)和对应的目标分割标注图像数据D(i);所述目标分割标注图像是通过GAN自动识别标注模块获得;
其中,所述GAN自动识别标注模块通过如下步骤实现:
步骤a:采集图像数据O(i),包括正样本和负样本图像数据;
步骤b:将图像数据O(i)使用GAN自动训练模块获得的GAN网络模型文件A进行识别得到重构图像数据B(i);
其中,所述GAN自动训练模块,通过如下步骤实现:
步骤s1:采集正样本图像数据;
步骤s2:对正样本图像数据进行GAN网络训练得到GAN网络模型文件A;
步骤c:将图像数据B(i)使用边缘检测算法进行轮廓提取得到轮廓区域,将轮廓区域自动标记为类别1,非轮廓区域标记为类别0,得到目标分割标注图像数据D(i);
步骤2:将图像数据O(i)和图像数据D(i)输入到目标分割网络训练模型得到目标分割网络模型文件E。
进一步地,所述步骤2中的目标分割网络训练模型,包括:DeeplabV3plus网络模型。
进一步地,所述GAN网络,包括:WGAN网络模型。
进一步地,所述步骤c中的边缘检测算法,包括:Canny算法或Sobel算法。
第二方面,本发明提供例如一种可实现全自动化识别的基于深度学习网络的全自动训练装置,用于实现如第一方面所述的方法,具体包括:
一种基于深度学习网络的全自动训练装置,包括:
采集图像数据模块,用于采集图像数据O(i)和对应的目标分割标注图像数据D(i);所述目标分割标注图像是通过GAN自动识别标注模块获得;所述GAN自动识别标注模块,用于采集图像数据O(i)并使用GAN自动训练模块获得的GAN网络模型文件A进行识别得到重构图像数据B(i),将图像数据B(i)使用边缘检测算法进行轮廓提取得到轮廓区域,将轮廓区域自动标记为类别1,非轮廓区域标记为类别0,得到目标分割标注图像数据D(i);其中,所述GAN自动训练模块,用于采集正样本图像数据,并对正样本图像数据进行GAN网络训练得到GAN网络模型文件A;
训练模块,用于将图像数据O(i)和图像数据D(i)输入到目标分割网络训练模型得到目标分割网络模型文件E。
进一步地,所述目标分割网络训练模型,包括:DeeplabV3plus网络模型。
进一步地,所述GAN网络,包括:WGAN网络模型。
进一步地,所述边缘检测算法,包括:Canny算法或Sobel算法。
第三方面,本发明提供了一种存储介质,为计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的方法。
本发明的优点在于:
1、本发明只需要正样本,工业产品正样本可以通过软件自动化收集到。
2、GAN网络、目标分割网络和图像处理算法相结合,实现软件自动化标注和训练的过程,完全不需要人工标注,节省巨大的人员标注工作量。
3、在训练完成后得到网络模型文件,可以软件自动获取工业流水线上产品图像进行自动识别并给出结果且达到99%以上的识别准确率,结果反馈给自动控制装置达到全自动识别过程。
【附图说明】
下面参照附图结合实施例对本发明作进一步的描述。
图1是本发明的实施例一方法的流程示意图。
图2是本发明的实施例一方法中的GAN自动识别标注模块的流程示意图。
图3是发明的实施例一方法中的GAN自动训练模块的流程示意图。
图4是本发明的实施例二装置的结构示意图。
图5是本发明的实施例二装置中的GAN自动识别标注模块的结构示意图。
图6是本发明的实施例二装置中的GAN自动训练模块的的结构示意图。
图7是本发明的实施例三计算机可读存储介质的结构示意图.
【具体实施方式】
实施例一:
本实施例提供了一种基于深度学习网络的全自动训练方法,如图1至图3所示,具体包括如下步骤:
步骤1:采集图像数据O(i)和对应的目标分割标注图像数据D(i);其中的目标分割标注图像是通过GAN自动识别标注模块获得;
其中,所述GAN自动识别标注模块通过如下步骤实现:
步骤a:采集图像数据O(i),包括正样本和负样本图像数据(采集源包括但不限于工业相机、摄像头、或本地磁盘);
步骤b:将图像数据O(i)使用GAN自动训练模块获得的GAN网络模型文件A进行识别得到重构图像数据B(i)(其中GAN网络包括但不限于WGAN网络模型);
其中,所述GAN自动训练模块,通过如下步骤实现:
步骤s1:采集正样本图像数据(采集源包括但不限于工业相机、摄像头或本地磁盘);
步骤s2:对正样本图像数据进行GAN网络训练得到GAN网络模型文件A(其中GAN网络包括但不限于WGAN网络模型);
步骤c:将图像数据B(i)使用边缘检测算法进行轮廓提取得到轮廓区域,将轮廓区域自动标记为类别1,非轮廓区域标记为类别0,得到目标分割标注图像数据D(i);其中边缘检测算法包括但不限于Canny算法,也可以是Sobel算法;
步骤2:将图像数据O(i)和图像据D(i)输入到目标分割网络训练模型得到目标分割网络模型文件E。其中目标分割网络模型包括但不限于将DeeplabV3plus中骨干网络替换为mobilenetV3得到轻量级目标分割网络。
在具体使用时,采集待识别图像数据F(采集源包括但不限于工业相机、摄像头或本地磁盘),将待识别图像数据F使用本发明获得的目标分割网络模型文件E进行识别得到目标信息,对识别的目标信息进行结果计算得到目标类别号、目标位置和识别分数,并将结果发送给自动控制装置进行控制。
基于同一发明构思,本发明申请还提供了与实施例一中的方法对应的装置,详见实施例二。
实施例二:
本发明提供了一种基于深度学习网络的全自动训练装置,如图4至图6所示,包括:
采集图像数据模块,用于采集图像数据O(i)(采集源包括但不限于工业相机、摄像头或本地磁盘)和对应的目标分割标注图像数据D(i);所述目标分割标注图像是通过GAN自动识别标注模块获得;所述GAN自动识别标注模块,用于采集图像数据O(i)并使用GAN自动训练模块获得的GAN网络模型文件A进行识别得到重构图像数据B(i)(其中GAN网络包括但不限于WGAN网络模型),将图像数据B(i)使用边缘检测算法(边缘检测算法包括但不限于Canny算法,也可以是Sobel算法)进行轮廓提取得到轮廓区域,将轮廓区域自动标记为类别1,非轮廓区域标记为类别0,得到目标分割标注图像数据D(i);其中,所述GAN自动训练模块,用于采集正样本图像数据,并对正样本图像数据进行GAN网络训练得到GAN网络模型文件A;
训练模块,用于将图像数据O(i)和图像数据D(i)输入到目标分割网络训练模型得到目标分割网络模型文件E。其中目标分割网络模型包括但不限于将DeeplabV3plus中骨干网络替换为mobilenetV3得到轻量级目标分割网络。
具体使用时,采集待识别图像数据F,将待识别图像数据F使用本发明获得的目标分割网络模型文件E进行识别得到目标信息,对识别的目标信息进行结果计算得到目标类别号、目标位置和识别分数,并将结果发送给自动控制装置进行控制。
由于本发明实施例二所介绍的装置,为实施本发明实施例一的方法所采用的装置,故而基于本发明实施例一所介绍的方法,本领域所属人员能够了解该装置的具体结构及变形,故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
基于同一发明构思,本申请提供了实施例一对应的计算机可读存储介质,详见实施例三。
实施例三:
本发明提供了一种计算机可读存储介质,如图7所示,其上存储有计算机程序,该程序被处理器执行时实现实施例一所述的方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的较佳实施用例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换以及改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于深度学习网络全自动训练方法,其特征在于:包括如下步骤:
步骤1:采集图像数据O(i)和对应的目标分割标注图像数据D(i);所述目标分割标注图像是通过GAN自动识别标注模块获得;
其中,所述GAN自动识别标注模块通过如下步骤实现:
步骤a:采集图像数据O(i),包括正样本和负样本图像数据;
步骤b:将图像数据O(i)使用GAN自动训练模块获得的GAN网络模型文件A进行识别得到重构图像数据B(i);
其中,所述GAN自动训练模块,通过如下步骤实现:
步骤s1:采集正样本图像数据;
步骤s2:对正样本图像数据进行GAN网络训练得到GAN网络模型文件A;
步骤c:将图像数据B(i)使用边缘检测算法进行轮廓提取得到轮廓区域,将轮廓区域自动标记为类别1,非轮廓区域标记为类别0,得到目标分割标注图像数据D(i);
步骤2:将图像数据O(i)和图像数据D(i)输入到目标分割网络训练模型得到目标分割网络模型文件E。
2.如权利要求1所述的一种基于深度学习网络全自动训练方法,其特征在于:所述步骤2中的目标分割网络训练模型,包括:DeeplabV3plus网络模型。
3.如权利要求1所述的一种基于深度学习网络全自动训练方法,其特征在于:所述GAN网络,包括:WGAN网络模型。
4.如权利要求1所述的一种基于深度学习网络全自动训练方法,其特征在于:所述步骤c中的边缘检测算法,包括:Canny算法或Sobel算法。
5.一种基于深度学习网络全自动训练装置,其特征在于:包括:
采集图像数据模块,用于采集图像数据O(i)和对应的目标分割标注图像数据D(i);所述目标分割标注图像是通过GAN自动识别标注模块获得;所述GAN自动识别标注模块,用于采集图像数据O(i)并使用GAN自动训练模块获得的GAN网络模型文件A进行识别得到重构图像数据B(i),将图像数据B(i)使用边缘检测算法进行轮廓提取得到轮廓区域,将轮廓区域自动标记为类别1,非轮廓区域标记为类别0,得到目标分割标注图像数据D(i);其中,所述GAN自动训练模块,用于采集正样本图像数据,并对正样本图像数据进行GAN网络训练得到GAN网络模型文件A;
训练模块,用于将图像数据O(i)和图像数据D(i)输入到目标分割网络训练模型得到目标分割网络模型文件E。
6.如权利要求5所述的一种基于深度学习网络全自动训练装置,其特征在于:所述目标分割网络训练模型,包括:DeeplabV3plus网络模型。
7.如权利要求5所述的一种基于深度学习网络全自动训练装置,其特征在于:所述GAN网络,包括:WGAN网络模型。
8.如权利要求5所述的一种基于深度学习网络全自动训练装置,其特征在于:所述边缘检测算法,包括:Canny算法或Sobel算法。
9.一种存储介质,为计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4任一项所述的一种基于深度学习网络的全自动训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110665695.5A CN113628159A (zh) | 2021-06-16 | 2021-06-16 | 一种基于深度学习网络全自动训练方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110665695.5A CN113628159A (zh) | 2021-06-16 | 2021-06-16 | 一种基于深度学习网络全自动训练方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113628159A true CN113628159A (zh) | 2021-11-09 |
Family
ID=78378119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110665695.5A Pending CN113628159A (zh) | 2021-06-16 | 2021-06-16 | 一种基于深度学习网络全自动训练方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628159A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049499A (zh) * | 2021-11-18 | 2022-02-15 | 南昌黑鲨科技有限公司 | 用于连续轮廓的目标对象检测方法、设备及存储介质 |
CN114202654A (zh) * | 2022-02-17 | 2022-03-18 | 广东皓行科技有限公司 | 一种实体目标的模型构建方法、存储介质和计算机设备 |
WO2023221292A1 (en) * | 2022-05-19 | 2023-11-23 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for image generation |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382785A (zh) * | 2020-03-04 | 2020-07-07 | 武汉精立电子技术有限公司 | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 |
CN111507993A (zh) * | 2020-03-18 | 2020-08-07 | 南方电网科学研究院有限责任公司 | 一种基于生成对抗网络的图像分割方法、装置及存储介质 |
CN112215807A (zh) * | 2020-09-24 | 2021-01-12 | 北京航空航天大学 | 基于深度学习的细胞图像自动分类方法及系统 |
WO2021017372A1 (zh) * | 2019-08-01 | 2021-02-04 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 |
CN112507950A (zh) * | 2020-12-18 | 2021-03-16 | 中国科学院空天信息创新研究院 | 一种生成对抗式多任务多要素样本自动标注方法及装置 |
CN112734775A (zh) * | 2021-01-19 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 图像标注、图像语义分割、模型训练方法及装置 |
-
2021
- 2021-06-16 CN CN202110665695.5A patent/CN113628159A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021017372A1 (zh) * | 2019-08-01 | 2021-02-04 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 |
CN111382785A (zh) * | 2020-03-04 | 2020-07-07 | 武汉精立电子技术有限公司 | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 |
CN111507993A (zh) * | 2020-03-18 | 2020-08-07 | 南方电网科学研究院有限责任公司 | 一种基于生成对抗网络的图像分割方法、装置及存储介质 |
CN112215807A (zh) * | 2020-09-24 | 2021-01-12 | 北京航空航天大学 | 基于深度学习的细胞图像自动分类方法及系统 |
CN112507950A (zh) * | 2020-12-18 | 2021-03-16 | 中国科学院空天信息创新研究院 | 一种生成对抗式多任务多要素样本自动标注方法及装置 |
CN112734775A (zh) * | 2021-01-19 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 图像标注、图像语义分割、模型训练方法及装置 |
Non-Patent Citations (4)
Title |
---|
严静;潘晨;殷海兵;: "快速在线主动学习的图像自动分割算法", 模式识别与人工智能, no. 09 * |
周立君;刘宇;白璐;茹志兵;于帅;: "一种基于GAN和自适应迁移学习的样本生成方法", 应用光学, no. 01 * |
景庄伟;管海燕;彭代峰;于永涛;: "基于深度神经网络的图像语义分割研究综述", 计算机工程, no. 10 * |
杨乐等: "结合 DeepLabv3 架构的多源数据建筑物提取方法", 《测绘与空间地理信息》, vol. 43, no. 6, pages 2 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049499A (zh) * | 2021-11-18 | 2022-02-15 | 南昌黑鲨科技有限公司 | 用于连续轮廓的目标对象检测方法、设备及存储介质 |
CN114202654A (zh) * | 2022-02-17 | 2022-03-18 | 广东皓行科技有限公司 | 一种实体目标的模型构建方法、存储介质和计算机设备 |
CN114202654B (zh) * | 2022-02-17 | 2022-04-19 | 广东皓行科技有限公司 | 一种实体目标的模型构建方法、存储介质和计算机设备 |
WO2023221292A1 (en) * | 2022-05-19 | 2023-11-23 | Zhejiang Dahua Technology Co., Ltd. | Methods and systems for image generation |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113628159A (zh) | 一种基于深度学习网络全自动训练方法、装置及存储介质 | |
CN108985293A (zh) | 一种基于深度学习的图像自动化标注方法及系统 | |
CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
CN112926405A (zh) | 一种安全帽佩戴检测方法、系统、设备及存储介质 | |
CN110674808A (zh) | 一种变电站压板状态智能识别方法及装置 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN107679501B (zh) | 一种基于标签自提纯的深度学习方法 | |
CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN110765835A (zh) | 一种基于边缘信息的手术视频流程识别方法 | |
CN113344888A (zh) | 一种基于联合模型的表面缺陷检测方法及装置 | |
CN112927776A (zh) | 一种面向医学检验报告的人工智能自动解读系统 | |
CN108665244B (zh) | 基于61850模型的定值单自动生成方法及存储介质 | |
CN109086772A (zh) | 一种扭曲粘连字符图片验证码的识别方法及系统 | |
CN110503705B (zh) | 图像标注方法和设备 | |
CN110110622B (zh) | 一种基于图像处理的医疗文本检测方法、系统和存储介质 | |
CN105426926B (zh) | 一种对amoled进行检测分类的方法及装置 | |
CN110728287A (zh) | 图像识别方法及装置、电子设备、存储介质 | |
CN112016675B (zh) | 用于钢板表面缺陷检测的cnn模型训练方法和装置 | |
CN111666954A (zh) | 一种显著区域的联合学习提取方法及系统 | |
CN108286977A (zh) | 一种导航数据离线更新方法、装置及混合导航系统 | |
CN116824135A (zh) | 基于机器视觉的大气自然环境试验工业产品识别分割方法 | |
CN113420839B (zh) | 用于堆叠平面目标物体的半自动标注方法及分割定位系统 | |
JP2004527048A (ja) | 記録情報の同定方法 | |
Kromp et al. | Machine learning framework incorporating expert knowledge in tissue image annotation | |
CN113239931A (zh) | 一种物流站车牌识别的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |